在 r 中标记具有间隔重叠的行答案

【问题标题】：Flag rows with interval overlap in r在 r 中标记具有间隔重叠的行
【发布时间】：2018-09-12 19:36:16
【问题描述】：

我有一个包含电视观看数据的 df 框架，我想对重叠观看运行 QC 检查。假设在同一天，同一家庭，对于每个人，每一分钟应该只记入一个电台或频道。

例如，我想标记第 8 行，第 9 行，因为一个独特家庭中的个人似乎不可能同时观看两个电视台 (62,67) (start_hour_minute)。我想知道有没有办法标记这些行？一种按个人按天逐分钟查看的分类。

df <- data.frame(stringsAsFactors=FALSE,
         date = c("2018-09-02", "2018-09-02", "2018-09-02", "2018-09-02",
                  "2018-09-02", "2018-09-02", "2018-09-02", "2018-09-02",
                  "2018-09-02"),
         householdID = c(18101276L, 18101276L, 18102843L, 18102843L, 18102843L,
                  18102843L, 18104148L, 18104148L, 18104148L),
   Station_id = c(74L, 74L, 62L, 74L, 74L, 74L, 62L, 62L, 67L),
        IndID = c("aa", "aa", "aa", "aa", "aa", "aa", "aa", "aa", "aa"),
        Start = c(111300L, 143400L, 030000L, 034900L, 064400L, 070500L, 060400L,
                  075100L, 075100L),
          End = c(111459L, 143759L, 033059L, 035359L, 064759L, 070559L, 060459L,
                  81559L, 81559L),
   start_hour_minute = c(1113L, 1434L, 0300L, 0349L, 0644L, 0705L, 0604L, 0751L, 0751L),
     end_hour_minute = c(1114L, 1437L, 0330L, 0353L, 0647L, 0705L, 0604L, 0815L, 0815L))

【问题讨论】：

标签： r dplyr tidyverse lubridate

【解决方案1】：

您可以按您认为应该对应于单行的变量进行分组（例如家庭-日期-分钟组合），然后计算行数（或 Station_id 中的唯一值），如果该行添加 flag = 1应该标记，否则flag = 0

df %>% 
    group_by(date, householdID, start_hour_minute) %>% 
    mutate(flag = if_else(n() == 1, 0, 1))

或者，如果您希望所有匹配除Station_id 之外的其他变量，您可以这样做

df %>% 
    group_by_at(vars(-Station_id)) %>% 
    mutate(flag = if_else(n() == 1, 0, 1))

【讨论】：

非常感谢！我在lubridate::int_overlaps() 上苦苦挣扎。谢谢大佬

【解决方案2】：

lubridate 包具有inteval 类对象和%within% 函数，用于检查时间戳是否在时间间隔内。您可以使用它来获取标志。

使用您在上面提供的虚拟数据...

data_out <- df %>% 
# Get the hour, minute, and second values as standalone numerics.
mutate(
    date = ymd(date),
    Start_Hour = floor(Start / 10000),
    Start_Minute = floor((Start - Start_Hour*10000) / 100),
    Start_Second = (Start - Start_Hour*10000) - Start_Minute*100,
    End_Hour = floor(End / 10000),
    End_Minute = floor((End - End_Hour*10000) / 100),
    End_Second = (End - End_Hour*10000) - End_Minute*100,
# Use the hour, minute, second values to create a start-end timestamp.
    Start_TS = ymd_hms(date + hours(Start_Hour) + minutes(Start_Minute) + seconds(Start_Second)),
    End_TS = ymd_hms(date + hours(Start_Hour) + minutes(Start_Minute) + seconds(Start_Second)),
# Create an interval object.
    Watch_Interval = interval(start = Start_TS, end = End_TS)
) %>% 
# Group by the IDs.
group_by(householdID, Station_id) %>% 
# Flag where the household's interval overlaps with another time.
mutate(
    overlap_flag = case_when(
        sum(Start_TS %within% as.list(Watch_Interval)) == 0 ~ 0,
        sum(Start_TS %within% as.list(Watch_Interval)) > 0 ~ 1,
        TRUE ~ NA_real_
    )
) %>% 
# dplyr doesn't play nice with interval objects, so we should remove Watch_Interval.
select(-Watch_Interval)

使用data_out %>% filter(overlap_flag == 1)查看标记值。

注意： dplyr 和 lubridate 包并不总是能很好地搭配使用，尤其是旧版本。您可能需要更新每个软件包的版本。

【讨论】：